【SHOI2014】【BZOJ3566】概率充电器

Description

著名的电子产品品牌 SHOI 刚刚发布了引领世界潮流的下一代电子产品——概率充电器:
“采用全新纳米级加工技术,实现元件与导线能否通电完全由真随机数决定!SHOI 概率充电器,您生活不可或缺的必需品!能充上电吗?现在就试试看吧!

SHOI 概率充电器由 n-1 条导线连通了 n 个充电元件。进行充电时,每条导线是否可以导电以概率决定,每一个充电元件自身是否直接进行充电也由概率决定。
随后电能可以从直接充电的元件经过通电的导线使得其他充电元件进行间接充电。
作为 SHOI 公司的忠实客户,你无法抑制自己购买 SHOI 产品的冲动。在排了一个星期的长队之后终于入手了最新型号的 SHOI 概率充电器。
你迫不及待地将 SHOI 概率充电器插入电源——这时你突然想知道,进入充电状态的元件个数的期望是多少呢?

Input

第一行一个整数:n。概率充电器的充电元件个数。充电元件由 1-n 编号。
之后的 n-1 行每行三个整数 a, b, p,描述了一根导线连接了编号为 a 和 b 的
充电元件,通电概率为 p%。
第 n+2 行 n 个整数:qi。表示 i 号元件直接充电的概率为 qi%。
Output

输出一行一个实数,为能够覆盖所有用户的最小椭圆的半短轴长,四舍五入到三位小数。
Sample Input
样例一:
3
1 2 50
1 3 50
50 0 0
样例二:
5
1 2 90
1 3 80
1 4 70
1 5 60
100 10 20 30 40
Sample Output
样例一:
1.000000
样例二:
4.300000
HINT

对于 100%的数据,n≤500000,0≤p,qi≤100。

Source

By 佚名提供

树形概率DP.也算是个傻逼题了?
因为直接求通电不好求,所以求不通电的然后用1减.
电流的来源有三个方向:
孩子,父亲,和自身
自身求的时候可以并进孩子里面.
设f[i][0]为节点i的孩子不能给他充电的概率(包含它本身不通电),f[i][1]为i的父亲不能给他充电的概率.
孩子的DP很显然我不说了不会自己看代码把
求父亲那个的时候
我们设一个t表示除了x之外的节点的影响下没有被充电的概率,即 t(x)=(f[x][0](1f[x][0])(1x.fax))

f[x][1]=t+(1t)(1x.fax)

#include<iostream>
#include<cstdio>
#include<cstring>
#include<cmath>
#include<algorithm>
#define MAXN 501000
#define eps 1e-6
using namespace std;
int n,top,u,v,W;
double f[MAXN][2],ans;
bool vis[MAXN];
struct edge
{
    int to;
    double p;
    edge *next;
}e[MAXN<<1],*prev[MAXN];
void insert(int u,int v,double w)
{
    e[++top].to=v;e[top].next=prev[u];prev[u]=&e[top];e[top].p=w;
}
void dfs(int x)
{
    vis[x]=1;
    for (edge *i=prev[x];i;i=i->next)
        if (!vis[i->to])
        {
            dfs(i->to);
            f[x][0]*=f[i->to][0]+(1-f[i->to][0])*(1-i->p);
        }
}
void Dfs(int x)
{
    vis[x]=1;
    for (edge *i=prev[x];i;i=i->next)
        if (!vis[i->to])
        {
            double tmp=f[i->to][0]+(1-f[i->to][0])*(1-i->p);
            if (tmp<eps)    tmp=0;
            else    tmp=f[x][1]*f[x][0]/tmp;
            f[i->to][1]=tmp+(1-tmp)*(1-i->p);
            Dfs(i->to);
        }
}
int main()
{
    scanf("%d",&n);
    for (int i=1;i<n;i++)
    {
        double w;
        scanf("%d%d%d",&u,&v,&W);
        w=W/100.0;
        insert(u,v,w);insert(v,u,w);
    }
    for (int i=1;i<=n;i++)  scanf("%d",&W),f[i][0]=1-W/100.0;
    dfs(1);
    memset(vis,0,sizeof(vis));f[1][1]=1;
    Dfs(1);
    for (int i=1;i<=n;i++)  ans+=1-f[i][0]*f[i][1];
    printf("%.6lf",ans);
}
### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值